metode clustering partitioning k-means untuk identifikasi...
TRANSCRIPT
i
Metode Clustering Partitioning K-Means
untuk Identifikasi Penggunaan Internet.
(Studi Kasus Posnet UKSW)
SKRIPSI
Diajukan Kepada
Fakultas Teknologi Informasi
untuk memperoleh Gelar Sarjana Komputer
Oleh :
Noack Pakage
NIM : 672010601
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Maret 2014
ii
Pernyataan
Skripsi yang berikut ini :
Judul : Metode Clustering Partitioning K-Means untuk Identifikasi Pengguna
Internet, (Studi Kasus Posnet UKSW)
Pembimbing : 1. Wiwin Sulistyo, ST., M.Kom
2. Alz Danny Wowor, S.Si., M.Cs
Adalah benar hasil karya saya :
Nama : Noack Pakage
NIM : 672010601
Saya menyatakan tidak mengambil sebagaian atau seluruhnya dari hasil karya orang lain
kecuali sebagaimana yang tertulis dalam daftar pustaka.
Salatiga, Maret 2014
Noack Pakage
iii
Prakata
Segala Puji syukur penulis panjatkan pada hadirat Tuhan Yang Maha Esa atas
berkatnya dan penyertaanNya, penulis dapat menyelesaikan skripsi ini dengan baik. Skripsi
ini diajukan untuk memenuhi salah satu persyaratan guna memperoleh gelar Sarjana
Komputer, Fakultas Teknologi Informatika Program Studi Teknik Informatika, Uniersitas
Kristern Satya Wacana, Salatiga
Melalui skripsi ini, penulis berharap dapat menyumbangkan sedikit pengetahuan
kepada pembaca dan menjadi inspirasi pembaca untuk melakukan pengembangan teknologi
lebih lanjut.
Dalam penyelesaikan skripsi ini, penulis tidak mungkin lepas dari bantuan, doa dan
dukungan dari berbagai pihak. Penulis menyadari sepenuhnya bahwa dalam penyusunan
skripsi ini tidak terlepas dari kekurangan dna ketidak sempurnaan mengingat keterbatasan
pengetahuan serta pengalaman yang dimiliki, walaupun demikiam dengan berbekal
keyakinan dan keinginan untuk memperoleh sesuatu yang bermanfaat, maka penulis
berusahan untuk menulis skripsi ini dengan sebaik mungkin. Oleh karena itu, pada
kesempatan ini, jika ada ucapan yang bisa mengungkapkan lebih dari kata terimakasih,
penulis ingin memberikan ucapan tersebut kepada :
1. Tuhan Yesus Kristus yang telah membimbing, menyertai, dan menguatakan penulis
setiap waktu saat suka maupun duka.
2. Bapak Dr. Dharmaputra T. Palekahelu, M.Pd selaku Dekan Fakultas Teknologi
Informasi UKSW.
3. Bapak Wiwin Sulistyo, ST., M.Kom selaku dosen pembimbing pertama, yang telah
membimbing dan memberikan petunjuk-petunjuk kepada penulis selama pembuatan
skripsi ini.
4. Bapak Alz Danny Wowor, S.Si., M.Cs selaku dosen pembimbing kedua, yang telah
membimbing dan memberikan saran serta petunjuk kepada penulis dalam proses
skripsi ini.
5. Bapak Prof. Dr. ir. Eko Sediyono, M.Kom. selaku Kaprogdi Fakultas Teknologi
Informasi UKSW.
6. Bapak Prof. Ir. Daniel Herman Freddy Manongga, M.Sc., Ph.D. atas arahannya dan
petunjuknua yang diberikan kepada penulis sebelum dan selama pembuatan skripsi
ini.
7. Bapak Irwan Sembiring, S.T., M.Kom memberi petunjuk-petunjuk kepada penulis.
8. Dosen-Dosen FTI UKSW yang selama ini telah mengajarkan banyak sekali ilmu
pengetahuan kapada penulis.
9. Bapak Yonatan selaku Dirut di PT.Indomedia yang telah meberikan ijin selama
penulis melakukan penelitian di POSNET UKSW.
iv
10. Mas Mafmud dan Mas Yosua selaku ADMIN di PT. Indomedia dan POSNET yang
telah membantu penulis selama melakukan penalitian di POSNET
11. Mas Danie selaku ADMIN UKSW, terima kasih atas dukungan dan sarannya
12. Papa, Mama, adik dan kakak serta kerabat dekat lainnya yang berada di Serui dan di
Biak yang telah memberi bantuan, dukungan doa dan nasehatnya.
13. Mama Marike Werimon besrta staf P3W di Jayapura PAPUA, yang setia selalu
mendukung saya di dalam bantuan biaya Beasiswa.
14. Teman-teman FTI UKSW angkatan 2010 terima kasih atas dukungannya, semangat
dan persahabatannya.
15. Teman-teman HIMPPAR dan Semua teman-teman di seluruh INDONESIA,
CHINA, JERMAN, JEPANG, INDIA dan AUSTRALIA, atas dukungan dan
nasehatnya dan doanya.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna. Untuk itu, penulis berharap
adanya saran dan masukan yang sangat berarti guna perbaikan skripsi ini. Semoga skripsi ini
dapat memberikan maanfaat bagi semua pihak
Salatiga, Maret 2014
Penulis
v
Daftar Isi
Halaman Sampul ……………………………………………………………………....i
Lembar Pengesahan …………………………………………………………………..ii
Pernyataan …………………………………………………………………………...iii
Prakata ……………………………………………………………………………….iv
Daftar Isi ……………………………………………………………………………..vi
Daftar Gambar ……………………………………………………………………...viii
Daftar Tabel ………………………………………………………………………….ix
Daftar Istilah ………………………………………………………………………….x
Abstract ……………………………………………………………………………....xi
Bab I Pendahuluan…………………………………………………………………..1
1.1 Latar belakang ……………………………………………………………1
1.2 Rumusan Masalah ………………………………………………………...2
1.3 Tujuan …………………………………………………………………….2
1.4 Batasan Masalah ………………………………………………………….2
1.5 Sistematika Penulisan …………………………………………………….2
Bab II Tinjauan Pustaka…………………………………………………………….4
2.1 Penelitian Terdahulu ……………………………………………………...4
2.2 Cluster …………………………………………………………………….4
2.2.1 Ciri Cluster yang baik ………………………………………….,5
2.2.2 Proses Dasasr Dari Analisis Cluster …………………………....6
2.2.3 Metode Cluster ………………………………………………….6
2.2.4 Pembahasan Metode Cluster K-Means ………………………....7
2.3 Definisi Internet …………………………………………………………12
2.3.1 Beberapa Hal Pada Internet …………………………………...12
2.4 Posnet UKSW …………………………………………………………...13
Bab III Metodologi Penelitian……………………………………………………..15
3.1 Metodologi Penelitian …………………………………………………...15
3.2 Perancangan Dan Konfigurasi …………………………………………..17
3.3 Spesifikasi Hartware dan Software ……………………………………...18
3.4 Pengujian ………………………………………………………………..18
vi
Bab IV Pembahasan .………………………………………………………………19
4.1 Pembahasan Cluster Top 10 Situs ………………………………………19
4.1.1 Analisis Cluster Top 10 situs yang sering dikunjungi......…..…19
4.1.2 Proses Clustering Top 10 Situs .....................………………….30
4.1.3 Proses clustering Top 10 Situs secara Non-Hirarki ......……….34
4.1.4 Validasi Data .............................................................................35
Bab V Kesimpulan Dan Saran .……………………………………………………39
5.1 Kesimpulan ……………………………………………………………...39
5.2 Saran Dan Pengembangan ………………………………………………40
Daftar Pustaka..…………………………………………………………………….41
vii
Daftar Gambar
Gambar 2.1 Contoh gambar 3 buah cluster…………………………………………...7
Gambar 2.2 Proses Alogaritma K-Means …………………………………………….8
Gambar 2.3 Topologi Star pada Posnet ……………………………………………..14
Gambar 3.1 Skema Metode PPDIOO ……………………………………………….15
Gambar 3.2 Proses Desain Skema pada Posnet UKSW..............................................16
Gambar 3.3 Port Mirroring ………………………………………………………….17
Gambar 4.1 Dendogram Top 10 Situs ………………………………………………34
Gambar 4.2 Grafik Top 10 Situs …………………………………………………….37
viii
Daftar Tabel
Tabel 2.1 Contoh Data Observasi …………………………………………………....9
Tabel 2.2 Data telah Dikelompokan ………………………………………………....9
Tabel 2.3 Cluster yang telah terbentuk ……………………………………………...11
Tabel 2.4 Contoh Pengkuadratan Cluster …………………………………………...11
Tabel 3.1 Spesifikasi hardware dan Software ……………………………………….18
Tabel 4.1 Total Total Cluster www.facebook.com......………………………………20
Tabel 4.2 Total Cluster www.google.com...…………………………………………22
Tabel 4.3 Total Cluster www.yahoo.com..…………………………………………..23
Tabel 4.4 Total Cluster www.twitter.com..………………………………………….25
Tabel 4.5 Total Cluster www.youtube.com...………………………………………..26
Tabel 4.6 Total Cluster www.keepvid.com...………………………………………..26
Tabel 4.7 Total Cluster www.siasat.uksw.edu ……………………………………...28
Tabel 4.8 Total Cluster www.uksw.edu..............……………………………………28
Tabel 4.9 Total Cluster www.detik.com ………………………………..…………...29
Tabel 4.10 Total Cluster www.cpns.lipi.go.id.............................................................29
Tabel 4.11 Total Cluster ..…………………..............................................................30
Tabel 4.12 Proximility Matrix Top 10 Situs ...............................................................31
Tabel 4.13 Proximility Matrix Top 10 Situs ...............................................................31
Tabel 4.14 Tabel Agglomeration Schedule Top 10 Sites ...........................................32
Tabel 4.15 Tabel Cluster Membership Top 10 Sites …..............................................35
Tabel 4.16 Tabel Anova Top 10 Sites ........................................................................36
Tabel 4.17 Tabel Tree Top 10 Sites ............................................................................38
ix
Daftar Istilah
IT : Information technology
KTM : Kartu Tanda Mahasiswa
ABPD : Anggaran Belanja Pendapatan Daerah
BPKAD : Badan Pengelolah Keuangan Dan Aset Daerah
Internet : interconnection-networking
TCP : Transmission Control Protocol
IP : Internet Protocol
ARPANet : The Advanced Research Projects Agency Network
DNS : Domain Name System
WWW : World Wide Web
HTTP : Hypertext Transfer Protocol
URL : Uniform Resource Locator
PPDIOO : Prepare, Plan, Implement, Operate and Optimize
x
Daftar Pustaka
Mahendiran, A, dkk, 2012 India : Implementation of K-MEANS Clustering in Cloud
Computing environment, Review 4 : 1391-1394 www.chinacloud.cn (diakses pada
tanggal 17-4-2013)
Nango, N. Penerapan Algoritma K-Means Untuk, Clustering Data Anggaran
Pendapatan Belanja Daerah di Kabupaten XYZ.
ti.fatek.ung.ac.id/down.php?file=DwiNoviatiNango.pdf (diakses pada tanggal 17-04-2013;
7:28)
Satriyanto, E. Clustering. http://lecturer.eepis-its.edu/~kangedi/materi
kuliah/matakuliah statistik/clustering.doc (diakses pada tanggal 22-07-2013; 12:26)
Wikipedia. Internet. http://id.wikipedia.org/wiki/Internet (2013).
Purbo, O. dkk 2007. Jaringan wireless di dunia berkembang. http://wndw.net/
(2011).
kuliah.imadewira. internet. http://kuliah.imadewira.com/definisi-internet-dan-
sejarah-internet/ (diakses pada tanggal 19-04-2013;8:21).
Wikimu. data log file . http://www.wikimu.com/News/DisplayNews.aspx?id=13143
(diakses pada tanggal 19-04-2013)
Cisco. Siklus PPDIOO
http://www.cisco.com/warp/public/437/services/lifecycle/LifecycleServicesWhitePaper.pd
f. (6-11-2013:2:27)
Landetective. Port Mirroring. http://landetective.com/products/internet-
monitor/manual/intro.html (diakses pada tanggal 19-07-2013; 10:46)
xi
Statistikolahdata. Analisis K-Means Cluster dengan SPSS.
http://www.statistikolahdata.com/2009/12/analisis-cluster.html (9-11-2013; 4:01)